买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉青岛哈尔滨工程大学创新发展中心;哈尔滨工程大学申请的专利多模态深度学习融合的海洋遥感海浪参数反演方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120995032B 。

龙图腾网通过国家知识产权局官网在2026-01-30发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511516588.0，技术领域涉及：G06F18/20；该发明授权多模态深度学习融合的海洋遥感海浪参数反演方法及系统是由王广彪;徐子航;黄礼敏;姜帆;王涛;张洋设计研发完成，并于2025-10-23向国家知识产权局提交的专利申请。

本多模态深度学习融合的海洋遥感海浪参数反演方法及系统在说明书摘要公布了：本发明属于海洋环境监测技术领域，公开了多模态深度学习融合的海洋遥感海浪参数反演方法及系统，该方法通过获取目标区域内船舶的三自由度运动时历数据以及星载合成孔径雷达SAR图像数据；对船舶运动时历数据和所述SAR图像数据进行预处理，构建时空对齐的多模态输入数据；将预处理后的多模态输入数据输入至预先训练好的海浪参数反演模型中，计算得到海浪参数的反演值。该方法创新性的使用注意力机制在空间‑时间两条维度实现异构信息的自适应对齐与互补，注意力模块依据任务相关性自动分配权重；通过时空协同的特征强化，模型即便在复杂海况下也能稳定提取与目标参数强相关的表征，从而显著提升海浪参数的反演精度与鲁棒性。

本发明授权多模态深度学习融合的海洋遥感海浪参数反演方法及系统在权利要求书中公布了：1.一种多模态深度学习融合的海洋遥感海浪参数反演方法，其特征在于，该方法包括以下步骤： S1，对采集的船舶三自由度运动时历数据进行读取，获取运动时序T＝{T,T,...Tn-1,T}，并获取对应工况下SAR图像数据；使用注意力机制在空间-时间两条维度实现异构信息的自适应对齐与互补，注意力模块依据任务相关性自动分配权重，使用船舶运动与SAR图像进行海浪参数融合反演； S2，对所述船舶的三自由度运动时历数据和所述SAR图像数据进行预处理，构建时空对齐的多模态输入数据； S3，将预处理后的多模态输入数据输入至预先训练好的海浪参数反演模型中，计算得到海浪参数的反演值；所述海浪参数反演模型是基于深度学习的融合网络模型，用于从所述船舶三自由度运动时历数据中提取时序特征，并从SAR图像子区域中提取空间特征，并对所述时序特征和空间特征进行融合；其中，SAR图像子区域为基于船舶位置裁剪得到的正方形区域； 在步骤S3中，多模态输入数据利用CNN-BiLSTM融合框架计算，利用CNN模块从高维雷达图像中自动学习和抽取具有判别性的空间或局部层级特征，利用BiLSTM模块来有效捕捉的船舶运动响应中的时序依赖关系和上下文信息，并融入了多种注意力机制进行特征优化与模型聚焦能力的提升，反演得到波浪参数； 在步骤S3中，所述海浪参数反演模型采用异构双流并行结构，异构双流并行架构分别在图像域和时序域充分提取模态特征，避免了特征混叠与模态干扰，保留了雷达图像中的空间纹理与周期结构，捕捉船体响应中的关键波动与动态变化；包括： 雷达图像分支，采用二维卷积神经网络Conv2D结构，用于从所述SAR图像子区域中提取空间视觉特征； 船舶运动分支，采用堆叠式双向长短期记忆网络BiLSTM结构，用于从所述船舶三自由度运动时历数据中提取时序动态特征； 特征融合模块，采用渐进式多模态融合策略PMMFS，用于对所述雷达图像分支输出的空间视觉特征和船舶运动分支输出的时序动态特征进行融合； 所述渐进式多模态融合策略PMMFS包括： 特征对齐投影：将所述空间视觉特征和时序动态特征分别通过全连接层投影至共享的自适应特征空间，实现模态内对齐与尺度匹配； 初步融合与跨模态注意：将投影后的特征进行拼接并初步融合，引入双向非对称跨模态注意力机制，以时序动态特征为查询Query，对空间视觉特征进行重加权，和或以空间视觉特征为查询Query，对时序动态特征进行重加权； 深度整合与回归：将经跨模态注意力增强后的特征与初步融合特征输入共享全连接层进行整合，并通过回归层输出最终的海浪参数反演值。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人青岛哈尔滨工程大学创新发展中心;哈尔滨工程大学，其通讯地址为：266400 山东省青岛市黄岛区桃林路1号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。